Fugu-MT 論文翻訳(概要): Arbitrage-Free Implied Volatility Surface Generation with Variational Autoencoders

論文の概要: Arbitrage-Free Implied Volatility Surface Generation with Variational Autoencoders

arxiv url: http://arxiv.org/abs/2108.04941v1
Date: Tue, 10 Aug 2021 21:56:19 GMT
ステータス: 処理完了
システム内更新日: 2021-08-12 20:10:24.750596
Title: Arbitrage-Free Implied Volatility Surface Generation with Variational Autoencoders
Title（参考訳）: 変分オートエンコーダを用いた任意自由含意ボラティリティ表面生成
Authors: Brian Ning, Sebastian Jaimungal, Xiaorong Zhang, Maxime Bergeron
Abstract要約: 本研究では, 歴史的データに整合した任意なインプリート変動面を生成するハイブリッド手法を提案する。 SDEモデルの2つのクラス、すなわちレギュラースイッチングモデルとL'evy加法プロセスに焦点を当てる。
参考スコア（独自算出の注目度）: 0.3441021278275805
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: We propose a hybrid method for generating arbitrage-free implied volatility (IV) surfaces consistent with historical data by combining model-free Variational Autoencoders (VAEs) with continuous time stochastic differential equation (SDE) driven models. We focus on two classes of SDE models: regime switching models and L\'evy additive processes. By projecting historical surfaces onto the space of SDE model parameters, we obtain a distribution on the parameter subspace faithful to the data on which we then train a VAE. Arbitrage-free IV surfaces are then generated by sampling from the posterior distribution on the latent space, decoding to obtain SDE model parameters, and finally mapping those parameters to IV surfaces.
Abstract（参考訳）: 本稿では,モデルフリー変分オートエンコーダ (vaes) と連続時間確率微分方程式 (sde) 駆動モデルを組み合わせて,歴史的データと整合した調停自由含意ボラティリティ (iv) 面を生成するハイブリッド手法を提案する。 SDEモデルの2つのクラス、すなわちレギュラースイッチングモデルとL\'evy加法プロセスに焦点を当てる。歴史的曲面をSDEモデルパラメータの空間に投影することにより、VAEをトレーニングするデータに忠実なパラメータ部分空間上の分布を得る。アービタージュフリーIV曲面は、潜在空間の後方分布からサンプリングし、復号してSDEモデルパラメータを取得し、最終的にそれらのパラメータをIV曲面にマッピングすることで生成される。

関連論文リスト

On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文参考訳（メタデータ） (2024-05-18T15:59:41Z)
Estimating the Distribution of Parameters in Differential Equations with Repeated Cross-Sectional Data [5.79648227233365]
経済、政治、生物学において、時系列における観測データポイントは独立して取得されることが多い。微分方程式におけるパラメータ推定の伝統的な手法は、パラメータ分布の形状を推定する際の限界がある。本稿では,新しい手法,推定手法を提案する。 EPD – データ情報を失うことなくパラメータの正確な分布を提供する。
論文参考訳（メタデータ） (2024-04-23T10:01:43Z)
Risk-Sensitive Diffusion: Robustly Optimizing Diffusion Models with Noisy Samples [58.68233326265417]
非画像データは実際のアプリケーションで広く使われており、ノイズが多い傾向にある。リスク感受性SDEは、リスクベクトルによってパラメータ化された微分方程式(SDE)の一種である。我々はガウス雑音分布と非ガウス雑音分布の両方について系統的研究を行う。
論文参考訳（メタデータ） (2024-02-03T08:41:51Z)
Differentially Private Gradient Flow based on the Sliced Wasserstein Distance [59.1056830438845]
本稿では,確率測度空間の勾配流に基づく新しい微分プライベートな生成モデリング手法を提案する。実験により,提案モデルが低プライバシー予算で高忠実度データを生成可能であることが示された。
論文参考訳（メタデータ） (2023-12-13T15:47:30Z)
FuNVol: A Multi-Asset Implied Volatility Market Simulator using Functional Principal Components and Neural SDEs [0.0]
歴史的価格に忠実な複数の資産にまたがるインプリードボラティリティ(IV)表面のシーケンスを生成するための新しいアプローチを導入する。我々は,IV面と価格の合同力学の学習が,歴史的特徴に整合した市場シナリオを生み出し,静的な仲裁が不要な表面のサブ多様体内に存在することを実証した。
論文参考訳（メタデータ） (2023-03-01T23:14:09Z)
Scalable Inference in SDEs by Direct Matching of the Fokker-Planck-Kolmogorov Equation [14.951655356042949]
Runge-Kuttaの変種のようなシミュレーションに基づく手法は、機械学習における微分方程式(SDE)による推論のデファクトアプローチである。このワークフローが高速で、高次元の潜伏空間にスケールし、少ないデータアプリケーションに適用可能であることを示す。
論文参考訳（メタデータ） (2021-10-29T12:22:55Z)
Arbitrage-free neural-SDE market models [6.145654286950278]
我々は、基礎となる金融制約を尊重する欧州オプションブックの非パラメトリックモデルを開発する。株価とオプション価格の離散時系列データからモデルを学習する推論問題について検討する。我々は,SDEシステムのドリフトと拡散のための関数近似器としてニューラルネットワークを用いる。
論文参考訳（メタデータ） (2021-05-24T00:53:10Z)
Estimation of Switched Markov Polynomial NARX models [75.91002178647165]
非線形自己回帰(NARX)成分を特徴とするハイブリッド力学系のモデル群を同定する。提案手法は, 特定の回帰器を持つ3つの非線形サブモデルからなるSMNARX問題に対して実証される。
論文参考訳（メタデータ） (2020-09-29T15:00:47Z)
Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文参考訳（メタデータ） (2020-09-29T12:50:33Z)
Identifying Latent Stochastic Differential Equations [29.103393300261587]
本研究では,高次元時系列データから潜時微分方程式(SDE)を学習する手法を提案する。提案手法は,自己教師付き学習手法を用いて,環境空間から潜時空間へのマッピングと,基礎となるSDE係数を学習する。提案手法の検証には,SDEの基盤となる複数のビデオ処理タスク,および実世界のデータセットを用いて行う。
論文参考訳（メタデータ） (2020-07-12T19:46:31Z)
Stochastic Normalizing Flows [52.92110730286403]
微分方程式(SDE)を用いた最大推定と変分推論のための正規化フロー(VI)を導入する。粗い経路の理論を用いて、基礎となるブラウン運動は潜在変数として扱われ、近似され、神経SDEの効率的な訓練を可能にする。これらのSDEは、与えられたデータセットの基盤となる分布からサンプリングする効率的なチェーンを構築するために使用することができる。
論文参考訳（メタデータ） (2020-02-21T20:47:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。